论文部分内容阅读
随着电网智能化的研究和建设受到广泛的关注与重视,越来越多的人力和物力投入到智能电网的建设中来。分布式发电的高渗透接入,对用电负荷的调峰起到了积极作用,同时其作为备用电能也提高了电网弹性。各类智能量测设备如相量测量单元(Phasor Measurement Unit, PMU)和智能电表等的广泛引入,为智能电网提供了更丰富的量测信息,更利于实时地掌握电网运行状态。然而,智能电网发展带来机遇的同时也提出了新的挑战,分布式发电的随机性给电网潮流带来了波动,海量的相量量测信息如何充分利用都是亟需研究和解决的问题。针对以上情形,本文研究了混合量测环境下的智能电网动态状态估计问题,并对其中涉及的如状态估计模型建立、估计方法选择和模型参数优化等理论问题展开了讨论。
电力系统的状态估计方法包括已在实际系统中运行多年的静态状态估计和多停留在理论研究阶段的动态状态估计,本文首先分析了电力系统状态估计常用的静态与动态估计模型,讨论了各种静态估计器针对的不同问题,以及各种动态估计方法分别在适应范围、计算精度和计算复杂度方面的优缺点。
其次,电力系统长期以来被认为运行在准稳态下,但负荷突变的情形时有发生,智能电网中这一情况将更为普遍。基于此,本文采用了电力系统的数据驱动动态模型和物理驱动动态模型,数据驱动的动态模型更适应以往电网运行在准稳态下的场景且对过程噪声参数敏感,而物理驱动的动态模型能很好应对负荷波动较大的场景且对过程噪声参数相对不敏感。针对智能电网中SCADA(Supervisory Control And Data Acquisition, SCADA)量测、PMU量测和智能电表量测多种量测混合存在的情形,分别为智能输电网和智能配电网构造了多传感器融合的融合估计器。然后充分利用高采样频率传感器,根据高频量测的量测新息值建立切换规则,构造智能电网的切换系统模型。在不同负荷波动的情形下,证明了该模型相对于单一的模型估计效果更好,同时对不同的过程噪声协方差更具鲁棒性。在面对配电系统中智能电表量测在某些状态估计时刻缺失的情况,对比研究了负荷预测法和多步预测技术对状态估计效果的影响。在融合不同时间尺度的量测时,即使PMU未大量配置和传统量测采样率保持不变的情况下,依然完成了在小时间尺度上的融合状态估计。
接着在前面建立的切换系统模型的基础上对比分析了扩展卡尔曼滤波(Extended Kalman Filter, EKF)与无迹卡尔曼滤波(Unscented Kalman Filter, UKF)各自的特点、适应范围和近似误差,从理论上分析了系统的过程噪声协方差对二者估计精度的影响,并进行了仿真验证。在不良数据的检测与辨识方面,回顾了静态状态估计中的卡方检验与最大标准化残差检验方法,通过动态状态估计中的标准化新息检验方法来检测系统发生负荷突变和不良数据的情况,并利用偏度检测分辨二者区别。
最后,通过前面的研究可以看出过程噪声协方差对动态状态估计具有很大影响,但该参数又不易获得,因此本文提出了基于共生生物搜索(Symbiotic Organisms Search, SOS)算法的状态估计过程噪声参数联合优化方法。利用基于SCADA和PMU量测的估计器的过程噪声协方差构成生物个体,以平均时间的均方根新息为代价函数,联合优化过程噪声的协方差值。针对负荷突变时SOS算法响应缓慢的问题,提出了变观察窗口长度的SOS算法。实验表明本文提出的方法相对与协方差匹配法估计效果更好,且数值稳定性更好。最后讨论了观察窗口长度对基于协方差匹配和基于SOS算法的状态估计的影响。
电力系统的状态估计方法包括已在实际系统中运行多年的静态状态估计和多停留在理论研究阶段的动态状态估计,本文首先分析了电力系统状态估计常用的静态与动态估计模型,讨论了各种静态估计器针对的不同问题,以及各种动态估计方法分别在适应范围、计算精度和计算复杂度方面的优缺点。
其次,电力系统长期以来被认为运行在准稳态下,但负荷突变的情形时有发生,智能电网中这一情况将更为普遍。基于此,本文采用了电力系统的数据驱动动态模型和物理驱动动态模型,数据驱动的动态模型更适应以往电网运行在准稳态下的场景且对过程噪声参数敏感,而物理驱动的动态模型能很好应对负荷波动较大的场景且对过程噪声参数相对不敏感。针对智能电网中SCADA(Supervisory Control And Data Acquisition, SCADA)量测、PMU量测和智能电表量测多种量测混合存在的情形,分别为智能输电网和智能配电网构造了多传感器融合的融合估计器。然后充分利用高采样频率传感器,根据高频量测的量测新息值建立切换规则,构造智能电网的切换系统模型。在不同负荷波动的情形下,证明了该模型相对于单一的模型估计效果更好,同时对不同的过程噪声协方差更具鲁棒性。在面对配电系统中智能电表量测在某些状态估计时刻缺失的情况,对比研究了负荷预测法和多步预测技术对状态估计效果的影响。在融合不同时间尺度的量测时,即使PMU未大量配置和传统量测采样率保持不变的情况下,依然完成了在小时间尺度上的融合状态估计。
接着在前面建立的切换系统模型的基础上对比分析了扩展卡尔曼滤波(Extended Kalman Filter, EKF)与无迹卡尔曼滤波(Unscented Kalman Filter, UKF)各自的特点、适应范围和近似误差,从理论上分析了系统的过程噪声协方差对二者估计精度的影响,并进行了仿真验证。在不良数据的检测与辨识方面,回顾了静态状态估计中的卡方检验与最大标准化残差检验方法,通过动态状态估计中的标准化新息检验方法来检测系统发生负荷突变和不良数据的情况,并利用偏度检测分辨二者区别。
最后,通过前面的研究可以看出过程噪声协方差对动态状态估计具有很大影响,但该参数又不易获得,因此本文提出了基于共生生物搜索(Symbiotic Organisms Search, SOS)算法的状态估计过程噪声参数联合优化方法。利用基于SCADA和PMU量测的估计器的过程噪声协方差构成生物个体,以平均时间的均方根新息为代价函数,联合优化过程噪声的协方差值。针对负荷突变时SOS算法响应缓慢的问题,提出了变观察窗口长度的SOS算法。实验表明本文提出的方法相对与协方差匹配法估计效果更好,且数值稳定性更好。最后讨论了观察窗口长度对基于协方差匹配和基于SOS算法的状态估计的影响。